Jul, 2023

高效的选择性注意力 LSTM 用于测井曲线合成

PDF
TL;DR通过引入自注意机制分析数据的空间依赖性，本论文提出了一种机器学习方法用于预测缺失的岩屑曲线，并通过实验证实了其有效性和可行性，该方法将传统的 LSTM 神经网络与自注意机制相结合，降低了计算复杂度，提高了模型的效率。实验结果表明，与基于全连接神经网络和 LSTM 的传统曲线合成方法相比，该方法具有更高的准确性。该准确、高效且经济实惠的预测方法在工程应用中具有实用价值。
non-core drillingwell logging curvesmachine learning methodlong short-term memory (lstm)spatial dependencies
发现论文，激发创造
  • 利用 LSTM 神经网络进行预测性业务流程监控

    本文针对具有宽泛的预测过程监控任务，研究了采用 LSTM 神经网络建立的高准确度模型，证明该方法在预测下一个事件、任务以及剩余时间方面优于现有技术。

    Dec, 2016

  • 基于 LSTM 的时间变化可变性数据的预测监控方法

    该论文研究了循环神经网络和其变体在处理序列方面的强大性能，并提出了一种基于长短期记忆（LSTM）预测区间的控制图方法，用于监测具有时间变动性的数据，并表明该方法优于其他基于神经网络的预测监测方法，特别适用于检测平均值突变的异常情况。

    Sep, 2023

  • 增强金融数据可视化以便于投资决策

    利用 LSTM 网络预测股票动态，主要关注细微的涨跌模式，结合纽约证交所的数据集，改进 LSTM 模型以捕捉复杂的市场模式，进而提高股票价格预测的准确性。

    Dec, 2023

  • 基于长短期记忆模型的多元工业时间序列防篡改检测仿真

    基于 LSTM 神经网络的多元时间序列数据监测和故障检测，采用 Modelica 模型进行验证，引入阈值筛选机制并过滤超出操作者兴趣范围的故障。

    Dec, 2016

  • 嵌入长短时记忆的偏置控制方案用于地球物理流体非线性数据同化

    本文提出了一种基于全非侵入式长短时记忆（LSTM）嵌入结构的递归神经网络方法，用于估算限制性项，该方法不仅强制状态轨迹到观察值，而且还在一定程度上充当了稳定器，并通过相关数据的强大力量，可以有效地进行再培训。实验结果表明，与 EKF 和 EnKF 相比，所提出的 LSTM 间隙处理方法在只有稀疏观察数据可用时产生了更准确的估计。

    May, 2020

  • 一个对噪声鲁棒的多头注意力机制用于地层电阻率预测：频率感知 LSTM

    提出了一种频率感知 LSTM (FAL) 的方法，该方法通过频率感知框架和时间反噪块来减少噪音干扰，提高从套管瞬变电磁测井曲线中预测地层电阻率的准确性和抗噪性。

    Jun, 2024

  • EA-LSTM: 基于进化注意力机制的 LSTM 时间序列预测

    该研究提出了一种基于竞争性随机搜索的进化注意力 LSTM 模型，以解决 LSTMs 模型无法在多个时间步骤内对子窗口特征进行不同程度的关注的问题，并且实验结果表明，该模型能够达到与其他基准方法相当的预测性能。

    Nov, 2018

  • 基于注意力 - GCN-LSTM 的配电网络短期多时段线损率预测

    本研究提出了 Attention-GCN-LSTM，一种结合了图卷积网络 (GCN)、长短期记忆 (LSTM) 和三层注意机制的新方法，以准确预测分布网络中线路损耗率的短期多时间跨度。通过捕捉空间和时间相关性，我们的模型能够在多个时间跨度上准确预测线路损耗率。通过对来自 10KV 馈线的真实数据进行全面评估，我们的 Attention-GCN-LSTM 模型始终优于现有算法，在预测准确性和多时间跨度预测方面表现出卓越性能。该模型对于提升分布网络中的线路损耗管理具有重要意义。

    Dec, 2023

  • 利用长短期记忆网络对高维混沌系统进行数据驱动的预测

    使用基于数据驱动的长短时记忆（LSTM）循环神经网络的预测方法，展示了该方法在高维混沌系统中的定量预测效果，并提出了一种新的具有混合结构的 LSTM 神经网络。与高斯过程相比，LSTM 在所有应用中都表现出更好的短期预测准确性，并且 MSM-LSTM 可以保证收敛到不变措施。

    Feb, 2018

  • 高级深度回归模型用于时间序列石油产量预测

    通过使用深度学习和序列卷积以及长短时记忆 (LSTM) 单元，发展了先进的数据驱动回归模型来预测石油产量，优于传统的机器学习方法，对历史模式进行了分析，实验证明 LSTM 模型可以更准确地预测。

    Aug, 2023